ИТ Блог. Администрирование серверов на основе Linux (Ubuntu, Debian, CentOS, openSUSE)
(1 оценок, среднее: 5,00 из 5)
Загрузка...
TensorFlow включает в себя инструмент визуализации, который называется TensorBoard. Он используется для анализа графика потока данных, а также для понимания моделей машинного обучения. Важная особенность TensorBoard включает в себя просмотр различных типов статистики о параметрах и деталях любого графика в вертикальном выравнивании.
Глубокая нейронная сеть включает до 36 000 узлов. TensorBoard помогает сворачивать эти узлы в блоки высокого уровня и выделять идентичные структуры. Это позволяет лучше анализировать граф, фокусируясь на основных разделах вычислительного графа. Говорят, что визуализация TensorBoard является очень интерактивной, где пользователь может перемещать, масштабировать и расширять узлы для отображения деталей.
Алгоритмы объединяют узлы в блоки высокого уровня и выделяют определенные группы с идентичными структурами, которые разделяют узлы высокого уровня. Созданная таким образом TensorBoard полезна и одинаково важна для настройки модели машинного обучения. Этот инструмент визуализации предназначен для файла журнала конфигурации со сводной информацией и подробностями, которые необходимо отобразить.
Давайте сосредоточимся на демонстрационном примере визуализации TensorBoard с помощью следующего кода:
import tensorflow as tf
# Constants creation for TensorBoard visualization
a = tf.constant(10,name = "a")
b = tf.constant(90,name = "b")
y = tf.Variable(a+b*2,name = 'y')
model = tf.initialize_all_variables() #Creation of model
with tf.Session() as session:
merged = tf.merge_all_summaries()
writer = tf.train.SummaryWriter("/tmp/tensorflowlogs",session.graph)
session.run(model)
print(session.run(y))
